AI_Security_Top

Eine strukturierte Wissensbasis, die Grundlagen der KI-Sicherheit, Bedrohungsmodellierung, offensive Techniken des Red Teams und defensive Maßnahmen des Blue Teams abdeckt, einschließlich LLM-Sicherheit, adversariellem maschinellem Lernen und Deepfake-Gegenmaßnahmen.

Ein tiefes Verständnis der mathematischen Logik hinter den Modellen ist die Voraussetzung für die Suche nach Algorithmus-Schwachstellen.

• AI-Überblick - Geschichte der KI-Entwicklung, Zweige und Kernkonzepte.
• Deep-Learning-Architekturen - Tiefgehende Dekonstruktion von CNN/RNN bis hin zu Transformer-Architekturen.
• Kern-Machine-Learning-Algorithmen - Lineare/logistische Regression, SVM, Entscheidungsbäume, Random Forests und Naive Bayes.
• Erkundung des unüberwachten Lernens - Clusteranalyse (K-Means, GMM) und Assoziationsregeln.
• Prinzipien des bestärkenden Lernens - Spiel-Logik von Agenten und Grundlagen der automatisierten Entscheidungsfindung.

🚨 Teil 2: Bedrohungsmodellierung und Risikoframeworks

Analyse der Angriffsflächen von KI-Systemen auf Basis internationaler Mainstream-Sicherheitsstandards.

• AI-Sicherheitsrisikoframework - Tiefgehende Interpretation der OWASP ML/LLM Top 10, einschließlich Prompt Injection, Data Poisoning und Model Inversion.
• MCP-Spezialsicherheit - Neueste Sicherheitsforschung zum Model Context Protocol, einschließlich Tool-Poisoning und Cursor-IDE-Schwachstellenanalyse.
• Skill-Sicherheit - Analyse der Konfiguration und Verteidigungspraktiken für Skill-Sicherheit.

🏹 Teil 3: Red-Team-Angriffsübungen

Erforschung der praktischen Nutzung von KI als „Waffe" in der Netzwerk-Angriffs- und -Verteidigung.

• Offensive KI in der Praxis -
  • KI-Schwachstellenscanning: Nutzung von Shennina und Shannon für schlussfolgernde automatisierte Penetration.
  • Malware-Evasion: Nutzung von Pesidious und MalwareGAN für bestärkendes-lernendes Antivirus-Evasion-Mutieren.
  • Deepfake-Betrug: Prinzipien und Nutzung von Echtzeit-Audio-/Video-Klonen (Deep-Live-Cam, Voice-Pro).

🛡️ Teil 4: Blue-Team-Verteidigungsbefähigung

Forschung zur Nutzung von Algorithmen für den Aufbau prädiktiverer Sicherheitsverteidigungssysteme.

• Algorithmus-gestützte Sicherheit - Machine-Learning-basierte Anomalie-Erkennung von Datenverkehr, automatisierte Audits und Threat Hunting.

🚀 Kernforschungsrichtungen

🛠️ Empfohlene Lesereihenfolge

1. Anfänger: Es wird empfohlen, mit AI.md zu beginnen und die Algorithmusmodule der Reihe nach zu lesen, um eine grundlegende mathematische Intuition aufzubauen.
2. Sicherheitsexperten: Gehen Sie direkt zu AI安全.md, um das OWASP-Risikoframework zu verstehen, und beziehen Sie sich für lokale Experimente auf 进攻性AI.md.
3. Entwickler: Lesen Sie besonders MCP安全.md und 算法赋能安全.md, um sichere KI-Integrationslösungen zu erstellen.

Vollständiger Videokurs:

Leistungsfähigerer und praxistauglicherer Code, weitere fortgeschrittene Schwachstellenmethoden, weitere Ansätze!

⚠️ Haftungsausschluss

Wichtiger Hinweis: Die in diesem Repository behandelten technischen Inhalte dienen ausschließlich der Sicherheitsschulung, Compliance-Prüfung und akademischen Forschung.

• Es ist verboten, Technologien aus diesem Projekt für illegale Zwecke zu verwenden.
• Stellen Sie vor der Verwendung offensiver Tools sicher, dass Sie eine ausdrückliche Genehmigung des Zielsystems erhalten haben.
• Der Autor übernimmt keine Haftung für Verluste, die durch Missbrauch der Inhalte dieses Repositories entstehen.

🤝 Beiträge und Austausch

Wir freuen uns über Issue- oder Pull-Request-Einreichungen zur Verbesserung der Dokumentation. Wenn Sie dieses Projekt hilfreich finden, geben Sie ihm bitte einen Star 🌟.

Zuletzt aktualisiert: 2026-03-06
Autor: GhostWolfLab/Snowwolf